CN107527074B - 用于车辆的图像处理方法和装置 - Google Patents
用于车辆的图像处理方法和装置 Download PDFInfo
- Publication number
- CN107527074B CN107527074B CN201710791373.9A CN201710791373A CN107527074B CN 107527074 B CN107527074 B CN 107527074B CN 201710791373 A CN201710791373 A CN 201710791373A CN 107527074 B CN107527074 B CN 107527074B
- Authority
- CN
- China
- Prior art keywords
- image
- target object
- driving parameter
- image processing
- occlusion
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/56—Context or environment of the image exterior to a vehicle by using sensors mounted on the vehicle
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/217—Validation; Performance evaluation; Active pattern learning techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/28—Determining representative reference patterns, e.g. by averaging or distorting; Generating dictionaries
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Multimedia (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Traffic Control Systems (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本申请公开了用于车辆的图像处理方法和装置。该方法的一具体实施方式包括:获取呈现有目标对象的图像;遮挡该图像的至少一个区域,得到至少一个遮挡图像;将该至少一个遮挡图像输入预先训练的图像处理模型以得到与各该遮挡图像对应的驾驶参数;对于每个驾驶参数,确定该驾驶参数与该图像所对应的真实驾驶参数的差值;确定该目标对象所在的至少一个区域的遮挡图像的驾驶参数与该真实驾驶参数的差值是否大于或等于差值阈值以确定该目标对象的状态与驾驶参数之间的关联度。本申请实施例可以确定目标对象的状态与驾驶参数之间的关联度,进而确定图像处理模型对目标对象的状态的特征的学习情况。
Description
技术领域
本申请涉及计算机技术领域,具体涉及互联网技术领域,尤其涉及用于车辆的图像处理方法和装置。
背景技术
伴随着深度学习技术的发展,深度学习技术越来越多地应用于驾驶领域。深度学习技术需要模型来实现,但是在现有技术中,应用于深度学习技术的模型的学习效果很难于确定。
发明内容
本申请的目的在于提出一种改进的用于车辆的图像处理方法和装置,来解决以上背景技术部分提到的技术问题。
第一方面,本申请实施例提供了一种用于车辆的图像处理方法,该方法包括:获取呈现有目标对象的图像;遮挡图像的至少一个区域,得到至少一个遮挡图像;将至少一个遮挡图像输入预先训练的图像处理模型以得到与各遮挡图像对应的驾驶参数,其中,图像处理模型用以表征图像中呈现的对象的状态与车辆的驾驶参数的对应关系;对于每个驾驶参数,确定该驾驶参数与图像所对应的真实驾驶参数的差值;确定目标对象所在的至少一个区域的遮挡图像的驾驶参数与真实驾驶参数的差值是否大于或等于差值阈值以确定目标对象的状态与驾驶参数之间的关联度。
在一些实施例中,驾驶参数包括方向盘角度和/或行车速度。
在一些实施例中,该方法还包括:根据图像各个区域的遮挡图像的驾驶参数与真实驾驶参数的差值,生成表示差值大小的热力图。
在一些实施例中,确定目标对象所在的至少一个区域的遮挡图像的驾驶参数与真实驾驶参数的差值是否大于或等于差值阈值以确定目标对象的状态与驾驶参数之间的关联度,包括:响应于确定目标对象所在的至少一个区域的差值大于或等于差值阈值,确定目标对象的状态与驾驶参数之间的关联度强;响应于确定目标对象所在的至少一个区域的差值小于差值阈值,确定目标对象的状态与驾驶参数之间的关联度弱。
在一些实施例中,在将至少一个遮挡图像输入预先训练的图像处理模型以得到与各遮挡图像对应的驾驶参数之前,该方法还包括:基于端到端的方式训练预先建立的图像处理模型以得到预先训练的图像处理模型;以及从呈现有目标对象的至少一个图像中提取目标对象的特征;将所提取的目标对象的特征加入图像处理模型的特征库。
第二方面,本申请提供了一种用于车辆的图像处理装置,该装置包括:该装置包括:获取单元,配置用于获取呈现有目标对象的图像;遮挡单元,配置用于遮挡图像的至少一个区域,得到至少一个遮挡图像;输入单元,配置用于将至少一个遮挡图像输入预先训练的图像处理模型以得到与各遮挡图像对应的驾驶参数,其中,图像处理模型用以表征图像中呈现的对象的状态与车辆的驾驶参数的对应关系;差值确定单元,配置用于对于每个驾驶参数,确定该驾驶参数与图像所对应的真实驾驶参数的差值;确定单元,配置用于确定目标对象所在的至少一个区域的遮挡图像的驾驶参数与真实驾驶参数的差值是否大于或等于差值阈值以确定目标对象的状态与驾驶参数之间的关联度。
在一些实施例中,驾驶参数包括方向盘角度和/或行车速度。
在一些实施例中,该装置还包括:生成单元,配置用于根据图像各个区域的遮挡图像的驾驶参数与真实驾驶参数的差值,生成表示差值大小的热力图。
在一些实施例中,确定单元包括:第一确定模块,配置用于响应于确定目标对象所在的至少一个区域的差值大于或等于差值阈值,确定目标对象的状态与驾驶参数之间的关联度强;第二确定模块,配置用于响应于确定目标对象所在的至少一个区域的差值小于差值阈值,确定目标对象的状态与驾驶参数之间的关联度弱。
在一些实施例中,该装置还包括:第一训练单元,配置用于基于端到端的方式训练预先建立的图像处理模型以得到预先训练的图像处理模型;以及提取单元,配置用于从呈现有目标对象的至少一个图像中提取目标对象的特征;加入单元,配置用于将所提取的目标对象的特征加入图像处理模型的特征库。
第三方面,本申请实施例提供了一种车辆,包括:一个或多个处理器;存储装置,用于存储一个或多个程序,当一个或多个程序被一个或多个处理器执行,使得一个或多个处理器实现如用于车辆的图像处理方法中任一实施例的方法。
第四方面,本申请实施例提供了一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现如用于车辆的图像处理方法中任一实施例的方法。
本申请实施例提供的用于车辆的图像处理方法和装置,该方法包括:首先获取呈现有目标对象的图像。之后,遮挡图像的不同区域,得到不同的多个遮挡图像。然后,将多个遮挡图像输入预先训练的图像处理模型以得到与多个遮挡图像对应的多个驾驶参数,其中,图像处理模型用以表征图像中呈现的对象的状态与车辆的驾驶参数的对应关系。而后,对于多个驾驶参数中的每个驾驶参数,确定该驾驶参数与图像的真实驾驶参数的差值。最后,确定目标对象所在的至少一个区域的遮挡图像的驾驶参数与真实驾驶参数的差值是否大于等于差值阈值,从而通过确定目标对象所在的至少一个区域的遮挡图像的驾驶参数与真实驾驶参数的差值是否大于或等于差值阈值,可以确定目标对象的状态与驾驶参数之间的关联度,进而确定图像处理模型对目标对象的状态的特征的学习情况。
附图说明
通过阅读参照以下附图所作的对非限制性实施例所作的详细描述,本申请的其它特征、目的和优点将会变得更明显:
图1是本申请可以应用于其中的示例性系统架构图;
图2是根据本申请的用于车辆的图像处理方法的一个实施例的流程图;
图3是根据本申请的用于车辆的图像处理方法的一个应用场景的示意图;
图4是根据本申请的用于车辆的图像处理方法的又一个实施例的流程图;
图5是根据本申请的用于车辆的图像处理装置的一个实施例的结构示意图;
图6是适于用来实现本申请实施例的车辆的计算机系统的结构示意图。
具体实施方式
下面结合附图和实施例对本申请作进一步的详细说明。可以理解的是,此处所描述的具体实施例仅仅用于解释相关发明,而非对该发明的限定。另外还需要说明的是,为了便于描述,附图中仅示出了与有关发明相关的部分。
需要说明的是,在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。
图1示出了可以应用本申请的用于车辆的图像处理方法或用于车辆的图像处理装置的实施例的示例性系统架构100。
如图1所示,系统架构100可以包括车辆101,网络102和服务器103。网络102用以在车辆101和服务器103之间提供通信链路的介质。网络102可以包括各种连接类型,例如有线、无线通信链路或者光纤电缆等等。
用户可以使用车辆101通过网络102服务器103交互,以接收或发送消息等。车辆101上可以安装有各种通讯客户端应用。
车辆101可以是支持图像获取并能够进行图像处理的各种电子设备,可以是车辆、无人车等等。
服务器103可以是提供各种服务的服务器。服务器103可以进行分析等处理,并将处理结果反馈给终端设备。
需要说明的是,本申请实施例所提供的用于车辆的图像处理方法一般由车辆101执行,相应地,用于车辆的图像处理装置一般设置于车辆101中。
应该理解,图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要,可以具有任意数目的终端设备、网络和服务器。
继续参考图2,示出了根据本申请的用于车辆的图像处理方法的一个实施例的流程200。该用于车辆的图像处理方法,包括以下步骤:
步骤201,获取呈现有目标对象的图像。
在本实施例中,用于车辆的图像处理方法运行于其上的车辆从本地或者其他电子设备上获取图像。该图像为呈现有目标对象的图像。目标对象为随机选择或者人为设定的图像中呈现的对象。可以是信号灯(比如红绿灯)或者转向标识等等。
步骤202,遮挡图像的至少一个区域,得到至少一个遮挡图像。
在本实施例中,上述车辆遮挡图像的至少一个区域,遮挡每个区域可以得到一个遮挡图像。在遮挡至少一个不同的区域后可以得到至少一个不同的遮挡图像。各个区域是预先设置的图像中的区域,可以为大小相同的区域,也可以是大小不同的区域。遮挡图像为其中的某区域被遮挡的图像。
在这里,可以使用一个固定大小的遮挡物进行遮挡,当然,遮挡物的大小也可以是不固定的。这里多个所遮挡的区域可以是占据图像所有位置的区域,也可以只占据图像部分位置。
步骤203,将至少一个遮挡图像输入预先训练的图像处理模型以得到与各遮挡图像对应的驾驶参数。
在本实施例中,上述车辆将得到的至少一个不同的遮挡图像输入预先训练的图像处理模型,以得到图像处理模型输出的驾驶参数,每个驾驶参数都与一个遮挡图像相对应,多个遮挡图像则对应多个驾驶参数。其中,图像处理模型用以表征图像中呈现的对象的状态与车辆的驾驶参数的对应关系。驾驶参数为驾驶车辆时所涉及到的用以控制车辆的参数,会对行车产生影响。上述图像处理模型可以是支持向量机(Support Vector Machine,SVM)、朴素贝叶斯模型(Naive Bayesian Model,NBM)模型等分类器(Classifier)而训练的。此外,上述图像处理模型也可以基于某些分类函数(例如softmax函数等)而预先训练而成。
目标对象的状态可以是不同的,比如,如果目标对象为红绿灯,红绿灯的状态可以是红、黄、绿灯分别亮灯。
在本实施例的一些可选的实现方式中,上述图像处理模型可以是以端到端(endto end)的方式训练得到的。
在本实施例的一些可选的实现方式中,驾驶参数包括方向盘角度和/或行车速度。
在本实施例中,方向盘角度可以用以控制车辆的行车方向,行车速度可以用以控制车辆的速度。此外,驾驶参数也可以是车辆的加速度等等。
步骤204,对于每个驾驶参数,确定该驾驶参数与图像所对应的真实驾驶参数的差值。
在本实施例中,上述车辆对于步骤203得到的驾驶参数中的每个驾驶参数,确定该驾驶参数与上述图像对应的真实驾驶参数的差值。上述图像具有与其对应的真实驾驶参数,真实驾驶参数为在真实的驾驶员进行驾驶的场景中,驾驶员驾驶车辆遇到上述图像中的目标对象时所采用的驾驶参数。驾驶参数与真实驾驶参数的差值可以是由两者相减得到的。
步骤205,确定目标对象所在的至少一个区域的遮挡图像的驾驶参数与真实驾驶参数的差值是否大于或等于差值阈值以确定目标对象的状态与驾驶参数之间的关联度。
在本实施例中,上述车辆确定目标对象所在的上述图像中的至少一个区域被遮挡后得到的遮挡图像的驾驶参数与真实驾驶参数的差值是否大于等于差值阈值。进而确定目标对象的状态与驾驶参数之间的关联度。关联度为在图像中目标对象的一种或两种以上的状态,与驾驶参数之间相互关联的程度。如果图像在遮挡目标对象后车辆输出的驾驶参数与遮挡前相比,差异较大,也即目标对象的该种状态会对驾驶参数造成较大的影响,则两者关联度强。这里的目标对象的状态指目标对象在上述图像中所呈现的状态。
因为图像中区域的预设的大小可以是不同的,目标对象可以占据图像中的一个区域,也可以占据多个区域。上述车辆可以在确定目标对象所在的至少一个区域的遮挡图像的驾驶参数与真实驾驶参数的差值之后,确定至少一个差值是否大于等于差值阈值。差值阈值为对差值预先设置的阈值。若至少一个差值中的每个差值都大于等于差值阈值,则确定目标对象所在的至少一个区域的遮挡图像的驾驶参数与真实驾驶参数的差值大于等于差值阈值。
在确定差值是否大于差值阈值之前,上述车辆可以对图像进行识别,以确定图像中目标对象所在的区域。
继续参见图3,图3是根据本实施例的用于车辆的图像处理方法的应用场景的一个示意图。在图3的应用场景中,车辆301获取呈现有目标对象的图像302。之后车辆遮挡图像的至少一个区域,得到至少一个遮挡图像303;将至少一个遮挡图像输入预先训练的图像处理模型以得到与各遮挡图像对应的驾驶参数304,其中,图像处理模型用以表征图像中呈现的对象的状态与车辆的驾驶参数的对应关系;对于每个驾驶参数,确定该驾驶参数与图像的真实驾驶参数的差值305;确定目标对象所在的至少一个区域的遮挡图像的驾驶参数与上述真实驾驶参数的差值是否大于或等于差值阈值306,以确定目标对象的状态与驾驶参数之间的关联度。
本申请的上述实施例提供的方法通过确定目标对象所在的至少一个区域的遮挡图像的驾驶参数与真实驾驶参数的差值是否大于或等于差值阈值,可以确定目标对象的状态与驾驶参数之间的关联度,进而确定图像处理模型对目标对象的状态的特征的学习情况。
进一步参考图4,其示出了用于车辆的图像处理方法的又一个实施例的流程400。该用于车辆的图像处理方法的流程400,包括以下步骤:
步骤401,基于端到端的方式训练预先建立的图像处理模型以得到预先训练的图像处理模型。
在本实施例中,车辆基于端到端的方式,对预先建立的图像处理模型进行训练,以得到预先训练的图像处理模型。
步骤402,从呈现有目标对象的至少一个图像中提取目标对象的特征。
在本实施例中,车辆从呈现有目标对象的至少一个图像中,提取目标对象的特征。上述的至少一个图像的每个图像中,都呈现有目标对象,目标对象在上述这些图像中可能为不同的状态。目标对象的特征为与目标对象相关的图像特征。
步骤403,将所提取的目标对象的特征加入图像处理模型的特征库。
在本实施例中,上述车辆将所提取的目标对象的特征加入上述图像处理模型的特征库中。图像处理模型中包括特征库,特征库是用于保存图像中有关目标对象的特征的数据库。将目标对象的各种状态的特征加入模型的特征库,这样便于模型学习到目标对象的状态的特征。
步骤404,获取呈现有目标对象的图像。
在本实施例中,用于车辆的图像处理方法运行于其上的车辆从本地或者其他电子设备上获取图像。该图像为呈现有目标对象的图像。目标对象为随机选择或者人为设定的图像中呈现的对象。可以是信号灯(比如红绿灯)或者转向标识等等。
步骤405,遮挡图像的至少一个区域,得到至少一个遮挡图像。
在本实施例中,上述车辆遮挡图像的至少一个区域,遮挡每个区域可以得到一个遮挡图像。在遮挡至少一个不同的区域后可以得到至少一个不同的遮挡图像。各个区域是预先设置的图像中的区域,可以为大小相同的区域,也可以是大小不同的区域。遮挡图像为其中的某区域被遮挡的图像。
在这里,可以使用一个固定大小的遮挡物进行遮挡,当然,遮挡物的大小也可以是不固定的。这里多个所遮挡的区域可以是占据图像所有位置的区域,也可以只占据图像部分位置。
步骤406,将至少一个遮挡图像输入预先训练的图像处理模型以得到与各遮挡图像对应的驾驶参数。
在本实施例中,上述车辆将得到的至少一个不同的遮挡图像输入预先训练的图像处理模型,以得到图像处理模型输出的驾驶参数,每个驾驶参数都与一个遮挡图像相对应,多个遮挡图像则对应多个驾驶参数。其中,图像处理模型用以表征图像中呈现的对象的状态与车辆的驾驶参数的对应关系。驾驶参数为驾驶车辆时所涉及到的用以控制车辆的参数,会对行车产生影响。上述图像处理模型可以是支持向量机(Support Vector Machine,SVM)、朴素贝叶斯模型(Naive Bayesian Model,NBM)模型等分类器(Classifier)而训练的。此外,上述图像处理模型也可以基于某些分类函数(例如softmax函数等)而预先训练而成。
步骤407,对于每个驾驶参数,确定该驾驶参数与图像所对应的真实驾驶参数的差值。
在本实施例中,上述车辆对于得到的驾驶参数中的每个驾驶参数,确定该驾驶参数与上述图像对应的真实驾驶参数的差值。上述图像具有与其对应的真实驾驶参数,真实驾驶参数为在真实的驾驶员进行驾驶的场景中,驾驶员驾驶车辆遇到上述图像中的目标对象时所采用的驾驶参数。驾驶参数与真实驾驶参数的差值可以是由两者相减得到的。
步骤408,根据图像各个区域的遮挡图像的驾驶参数与真实驾驶参数的差值,生成表示差值大小的热力图。
在本实施例中,上述车辆根据图像各个区域的遮挡图像的驾驶参数与上述真实驾驶参数的差值,生成表示差值大小的热力图。热力图中颜色最深的区域指示最大的差值。差值大小与热力图中颜色的深浅相对应,一个区域对应的差值越大,在热力图中该区域的颜色越深。所以通过热力图可以清楚地看到图像中区域差值的大小。这样能够了解到目标对象所在区域的差值情况,进而了解到上述模型对各个区域中关于对象的状态的信息的学习情况。
步骤409,响应于确定目标对象所在的至少一个区域的差值大于或等于差值阈值,确定目标对象的状态与驾驶参数之间的关联度强。
在本实施例中,上述车辆在确定目标对象所在的至少一个区域的差值大于或等于差值阈值之后,做出响应:确定目标对象的状态与驾驶参数之间的关联度强,进而确定图像处理模型已经学习到目标对象的状态的特征。
步骤410,响应于确定目标对象所在的至少一个区域的差值小于差值阈值,确定目标对象的状态与驾驶参数之间的关联度弱。
在本实施例中,上述车辆在确定目标对象所在的至少一个区域的差值小于差值阈值之后,做出响应:确定目标对象的状态与驾驶参数之间的关联度弱,进而确定图像处理模型未学习到目标对象的状态的特征。
本实施例可以使用热力图来直观地反映差值的大小。并且通过在特征库中添加特征,使模型更好地学习到目标对象的状态的特征。
进一步参考图5,作为对上述各图所示方法的实现,本申请提供了一种用于车辆的图像处理装置的一个实施例,该装置实施例与图2所示的方法实施例相对应,该装置具体可以应用于各种电子设备中。
如图5所示,本实施例的用于车辆的图像处理装置500包括:获取单元501、遮挡单元502、输入单元503、差值确定单元504和确定单元505。其中,获取单元501,配置用于获取呈现有目标对象的图像;遮挡单元502,配置用于遮挡图像的至少一个区域,得到至少一个遮挡图像;输入单元503,配置用于将至少一个遮挡图像输入预先训练的图像处理模型以得到与各遮挡图像对应的驾驶参数,其中,图像处理模型用以表征图像中呈现的对象的状态与车辆的驾驶参数的对应关系;差值确定单元504,配置用于对于每个驾驶参数,确定该驾驶参数与图像所对应的真实驾驶参数的差值;确定单元505,配置用于确定目标对象所在的至少一个区域的遮挡图像的驾驶参数与真实驾驶参数的差值是否大于或等于差值阈值以确定目标对象的状态与驾驶参数之间的关联度。
在本实施例中,用于车辆的图像处理装置500的获取单元501从本地或者其他电子设备上获取图像。该图像为呈现有目标对象的图像。目标对象为随机选择或者人为设定的图像中呈现的对象。可以是信号灯(比如红绿灯)。
在本实施例中,遮挡单元502遮挡图像的至少一个区域,遮挡每个区域可以得到一个遮挡图像。在遮挡至少一个不同的区域后可以得到至少一个不同的遮挡图像。各个区域是预先设置的图像中的区域,可以为大小相同的区域,也可以是大小不同的区域。遮挡图像为其中的某区域被遮挡的图像。
在本实施例中,输入单元503将得到的至少一个不同的遮挡图像输入预先训练的图像处理模型,以得到图像处理模型输出的驾驶参数,每个驾驶参数都与一个遮挡图像相对应,多个遮挡图像则对应多个驾驶参数。其中,图像处理模型用以表征图像中呈现的对象的状态与车辆的驾驶参数的对应关系。驾驶参数为驾驶车辆时所涉及到的用以控制车辆的参数,会对行车产生影响。上述图像处理模型可以是支持向量机(Support VectorMachine,SVM)、朴素贝叶斯模型(Naive Bayesian Model,NBM)模型等分类器(Classifier)而训练的。此外,上述图像处理模型也可以基于某些分类函数(例如softmax函数等)而预先训练而成。
在本实施例中,差值确定单元504对于上述的每个驾驶参数,确定该驾驶参数与上述图像对应的真实驾驶参数的差值。上述图像具有与其对应的真实驾驶参数,真实驾驶参数为在真实的驾驶员进行驾驶的场景中,驾驶员驾驶车辆遇到上述图像中的目标对象时所采用的驾驶参数。驾驶参数与真实驾驶参数的差值可以是由两者相减得到的。
在本实施例中,确定单元505确定目标对象所在的上述图像中的至少一个区域被遮挡后得到的遮挡图像的驾驶参数与真实驾驶参数的差值是否大于等于差值阈值。进而确定目标对象的状态与驾驶参数之间的关联度。关联度为在图像中目标对象所在区域,与驾驶参数之间相互关联的程度。
在本实施例的一些可选的实现方式中,驾驶参数包括方向盘角度和/或行车速度。
在本实施例的一些可选的实现方式中,该装置还包括:生成单元,配置用于根据图像各个区域的遮挡图像的驾驶参数与真实驾驶参数的差值,生成表示差值大小的热力图。
在本实施例的一些可选的实现方式中,确定单元包括:第一确定模块,配置用于响应于确定目标对象所在的至少一个区域的差值大于或等于差值阈值,确定目标对象的状态与驾驶参数之间的关联度强;第二确定模块,配置用于响应于确定目标对象所在的至少一个区域的差值小于差值阈值,确定目标对象的状态与驾驶参数之间的关联度弱。
在本实施例的一些可选的实现方式中,该装置还包括:第一训练单元,配置用于基于端到端的方式训练预先建立的图像处理模型以得到预先训练的图像处理模型;以及提取单元,配置用于从呈现有目标对象的至少一个图像中提取目标对象的特征;加入单元,配置用于将所提取的目标对象的特征加入图像处理模型的特征库。
下面参考图6,其示出了适于用来实现本申请实施例的车辆的计算机系统600的结构示意图。图6示出的车辆仅仅是一个示例,不应对本申请实施例的功能和使用范围带来任何限制。
如图6所示,计算机系统600包括中央处理单元(CPU)601,其可以根据存储在只读存储器(ROM)602中的程序或者从存储部分608加载到随机访问存储器(RAM)603中的程序而执行各种适当的动作和处理。在RAM 603中,还存储有系统600操作所需的各种程序和数据。CPU 601、ROM 602以及RAM 603通过总线604彼此相连。输入/输出(I/O)接口605也连接至总线604。
以下部件连接至I/O接口605:包括键盘、鼠标等的输入部分606;包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分607;包括硬盘等的存储部分608;以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分609。通信部分609经由诸如因特网的网络执行通信处理。驱动器610也根据需要连接至I/O接口605。可拆卸介质611,诸如磁盘、光盘、磁光盘、半导体存储器等等,根据需要安装在驱动器610上,以便于从其上读出的计算机程序根据需要被安装入存储部分608。
特别地,根据本申请的实施例,上文参考流程图描述的过程可以被实现为计算机软件程序。例如,本公开的实施例包括一种计算机程序产品,其包括承载在计算机可读介质上的计算机程序,该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中,该计算机程序可以通过通信部分609从网络上被下载和安装,和/或从可拆卸介质611被安装。在该计算机程序被中央处理单元(CPU)601执行时,执行本申请的方法中限定的上述功能。需要说明的是,本申请的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本申请中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本申请中,计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输,包括但不限于:无线、电线、光缆、RF等等,或者上述的任意合适的组合。
附图中的流程图和框图,图示了按照本申请各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分,该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个接连地表示的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或操作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
描述于本申请实施例中所涉及到的单元可以通过软件的方式实现,也可以通过硬件的方式来实现。所描述的单元也可以设置在处理器中,例如,可以描述为:一种处理器包括获取单元、遮挡单元、输入单元、差值确定单元和确定单元。其中,这些单元的名称在某种情况下并不构成对该单元本身的限定,例如,获取单元还可以被描述为“获取呈现有目标对象的图像的单元”。
作为另一方面,本申请还提供了一种计算机可读介质,该计算机可读介质可以是上述实施例中描述的装置中所包含的;也可以是单独存在,而未装配入该装置中。上述计算机可读介质承载有一个或者多个程序,当上述一个或者多个程序被该装置执行时,使得该装置:获取呈现有目标对象的图像;遮挡图像的不同区域,得到不同的多个遮挡图像;将多个遮挡图像输入预先训练的图像处理模型以得到与各遮挡图像对应的驾驶参数,其中,图像处理模型用以表征图像中呈现的对象的状态与车辆的驾驶参数的对应关系;对于多个驾驶参数中的每个驾驶参数,确定该驾驶参数与图像所对应的真实驾驶参数的差值;确定目标对象所在的至少一个区域的遮挡图像的驾驶参数与真实驾驶参数的差值是否大于或等于差值阈值以确定目标对象的状态与驾驶参数之间的关联度。
以上描述仅为本申请的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解,本申请中所涉及的发明范围,并不限于上述技术特征的特定组合而成的技术方案,同时也应涵盖在不脱离上述发明构思的情况下,由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本申请中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。
Claims (12)
1.一种用于车辆的图像处理方法,其特征在于,所述方法包括:
获取呈现有目标对象的图像;
遮挡所述呈现有目标对象的图像的至少一个区域,得到至少一个遮挡图像;
将所述至少一个遮挡图像输入预先训练的图像处理模型以得到与所述至少一个遮挡图像中的各遮挡图像对应的驾驶参数,其中,所述图像处理模型用以表征图像中呈现的目标对象的状态与所述车辆的驾驶参数的对应关系;
对于每个驾驶参数,确定该驾驶参数与所述呈现有目标对象的图像所对应的真实驾驶参数的差值;
确定所述至少一个遮挡图像的驾驶参数与所述真实驾驶参数的差值是否大于或等于差值阈值以确定所述目标对象的状态与驾驶参数之间的关联度。
2.根据权利要求1所述的用于车辆的图像处理方法,其特征在于,所述驾驶参数包括方向盘角度和/或行车速度。
3.根据权利要求1所述的用于车辆的图像处理方法,其特征在于,所述方法还包括:
根据所述呈现有目标对象的图像的所述至少一个遮挡图像的驾驶参数与所述真实驾驶参数的差值,生成表示差值大小的热力图。
4.根据权利要求1所述的用于车辆的图像处理方法,其特征在于,所述确定所述至少一个遮挡图像的驾驶参数与真实驾驶参数的差值是否大于或等于差值阈值以确定所述目标对象的状态与驾驶参数之间的关联度,包括:
响应于确定所述至少一个遮挡图像的驾驶参数与真实驾驶参数的差值大于或等于差值阈值,确定所述目标对象的状态与驾驶参数之间的关联度强;
响应于确定所述至少一个遮挡图像的驾驶参数与真实驾驶参数的差值小于差值阈值,确定所述目标对象的状态与驾驶参数之间的关联度弱。
5.根据权利要求1所述的用于车辆的图像处理方法,其特征在于,在将所述至少一个遮挡图像输入预先训练的图像处理模型以得到与所述至少一个遮挡图像中的各遮挡图像对应的驾驶参数之前,所述方法还包括:
基于端到端的方式训练预先建立的图像处理模型以得到所述预先训练的图像处理模型;以及
从呈现有目标对象的至少一个图像中提取目标对象的特征;
将所提取的目标对象的特征加入所述图像处理模型的特征库。
6.一种用于车辆的图像处理装置,其特征在于,所述装置包括:
获取单元,配置用于获取呈现有目标对象的图像;
遮挡单元,配置用于遮挡所述呈现有目标对象的图像的至少一个区域,得到至少一个遮挡图像;
输入单元,配置用于将所述至少一个遮挡图像输入预先训练的图像处理模型以得到与所述至少一个遮挡图像中的各遮挡图像对应的驾驶参数,其中,所述图像处理模型用以表征图像中呈现的目标对象的状态与所述车辆的驾驶参数的对应关系;
差值确定单元,配置用于对于每个驾驶参数,确定该驾驶参数与所述呈现有目标对象的图像所对应的真实驾驶参数的差值;
确定单元,配置用于确定所述至少一个遮挡图像的驾驶参数与所述真实驾驶参数的差值是否大于或等于差值阈值以确定所述目标对象的状态与驾驶参数之间的关联度。
7.根据权利要求6所述的用于车辆的图像处理装置,其特征在于,所述驾驶参数包括方向盘角度和/或行车速度。
8.根据权利要求6所述的用于车辆的图像处理装置,其特征在于,所述装置还包括:
生成单元,配置用于根据所述呈现有目标对象的图像的所述至少一个遮挡图像的驾驶参数与所述真实驾驶参数的差值,生成表示差值大小的热力图。
9.根据权利要求6所述的用于车辆的图像处理装置,其特征在于,所述确定单元包括:
第一确定模块,配置用于响应于确定所述至少一个遮挡图像的驾驶参数与真实驾驶参数的差值大于或等于差值阈值,确定所述目标对象的状态与驾驶参数之间的关联度强;
第二确定模块,配置用于响应于确定所述至少一个遮挡图像的驾驶参数与真实驾驶参数的差值小于差值阈值,确定所述目标对象的状态与驾驶参数之间的关联度弱。
10.根据权利要求6所述的用于车辆的图像处理装置,其特征在于,所述装置还包括:
第一训练单元,配置用于基于端到端的方式训练预先建立的图像处理模型以得到所述预先训练的图像处理模型;以及
提取单元,配置用于从呈现有目标对象的至少一个图像中提取目标对象的特征;
加入单元,配置用于将所提取的目标对象的特征加入所述图像处理模型的特征库。
11.一种车辆,包括:
一个或多个处理器;
存储装置,用于存储一个或多个程序,
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如权利要求1-5中任一所述的方法。
12.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现如权利要求1-5中任一所述的方法。
Priority Applications (4)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710791373.9A CN107527074B (zh) | 2017-09-05 | 2017-09-05 | 用于车辆的图像处理方法和装置 |
EP18853037.2A EP3582145A4 (en) | 2017-09-05 | 2018-08-13 | IMAGE PROCESSING METHOD AND DEVICE FOR A VEHICLE |
PCT/CN2018/100248 WO2019047674A1 (zh) | 2017-09-05 | 2018-08-13 | 用于车辆的图像处理方法和装置 |
US16/566,824 US11017270B2 (en) | 2017-09-05 | 2019-09-10 | Method and apparatus for image processing for vehicle |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710791373.9A CN107527074B (zh) | 2017-09-05 | 2017-09-05 | 用于车辆的图像处理方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107527074A CN107527074A (zh) | 2017-12-29 |
CN107527074B true CN107527074B (zh) | 2020-04-07 |
Family
ID=60683676
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710791373.9A Active CN107527074B (zh) | 2017-09-05 | 2017-09-05 | 用于车辆的图像处理方法和装置 |
Country Status (4)
Country | Link |
---|---|
US (1) | US11017270B2 (zh) |
EP (1) | EP3582145A4 (zh) |
CN (1) | CN107527074B (zh) |
WO (1) | WO2019047674A1 (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107527074B (zh) * | 2017-09-05 | 2020-04-07 | 百度在线网络技术(北京)有限公司 | 用于车辆的图像处理方法和装置 |
CN108683845B (zh) * | 2018-05-14 | 2021-03-02 | Oppo广东移动通信有限公司 | 图像处理方法、装置、存储介质及移动终端 |
JP7049587B2 (ja) * | 2019-01-09 | 2022-04-07 | オムロン株式会社 | 画像処理装置、画像処理プログラム、及び画像処理方法 |
CN113012176B (zh) * | 2021-03-17 | 2023-12-15 | 阿波罗智联(北京)科技有限公司 | 样本图像的处理方法、装置、电子设备及存储介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104778468A (zh) * | 2014-01-15 | 2015-07-15 | 索尼公司 | 图像处理装置、图像处理方法以及监控设备 |
CN106547588A (zh) * | 2015-09-18 | 2017-03-29 | 福特全球技术公司 | 虚拟的路面感知测试平台 |
CN106779089A (zh) * | 2016-12-13 | 2017-05-31 | 百度在线网络技术(北京)有限公司 | 测试方法和装置 |
Family Cites Families (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8090508B2 (en) | 2008-12-22 | 2012-01-03 | Deere & Company | Method and system for determining a planned path for a machine |
CN102947513B (zh) | 2010-06-23 | 2015-07-08 | 斗山英维高株式会社 | 建筑机械的作业轨迹控制装置及其方法 |
CN102041824B (zh) | 2010-12-09 | 2012-08-29 | 三一重机有限公司 | 一种挖掘机工作装置的自动控制系统及控制方法 |
KR101618551B1 (ko) * | 2014-07-02 | 2016-05-09 | 엘지전자 주식회사 | 차량 운전 보조 장치 및 이를 구비한 차량 |
US20160210383A1 (en) * | 2015-01-21 | 2016-07-21 | Ford Global Technologies, Llc | Virtual autonomous response testbed |
IL239129A0 (en) * | 2015-06-01 | 2015-11-30 | Brightway Vision Ltd | Image improvements in car imaging systems |
KR102147361B1 (ko) * | 2015-09-18 | 2020-08-24 | 삼성전자주식회사 | 객체 인식 장치 및 방법, 객체 인식 모델 학습 장치 및 방법 |
US9809956B1 (en) | 2016-05-31 | 2017-11-07 | Deere & Company | Multi-vehicle coordinated grade control system |
IL246129A0 (en) * | 2016-06-08 | 2016-08-31 | Sibony Haim | A visual display system to prevent accidents with vehicles |
EP3431338B1 (en) * | 2017-07-19 | 2020-03-11 | Fico Mirrors, S.A. | Vehicle image processing system |
CN107527074B (zh) * | 2017-09-05 | 2020-04-07 | 百度在线网络技术(北京)有限公司 | 用于车辆的图像处理方法和装置 |
-
2017
- 2017-09-05 CN CN201710791373.9A patent/CN107527074B/zh active Active
-
2018
- 2018-08-13 WO PCT/CN2018/100248 patent/WO2019047674A1/zh unknown
- 2018-08-13 EP EP18853037.2A patent/EP3582145A4/en active Pending
-
2019
- 2019-09-10 US US16/566,824 patent/US11017270B2/en active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104778468A (zh) * | 2014-01-15 | 2015-07-15 | 索尼公司 | 图像处理装置、图像处理方法以及监控设备 |
CN106547588A (zh) * | 2015-09-18 | 2017-03-29 | 福特全球技术公司 | 虚拟的路面感知测试平台 |
CN106779089A (zh) * | 2016-12-13 | 2017-05-31 | 百度在线网络技术(北京)有限公司 | 测试方法和装置 |
Also Published As
Publication number | Publication date |
---|---|
US11017270B2 (en) | 2021-05-25 |
WO2019047674A1 (zh) | 2019-03-14 |
EP3582145A1 (en) | 2019-12-18 |
US20200005091A1 (en) | 2020-01-02 |
EP3582145A4 (en) | 2020-04-01 |
CN107527074A (zh) | 2017-12-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107527074B (zh) | 用于车辆的图像处理方法和装置 | |
CN108632530B (zh) | 一种车辆定损的数据处理方法、装置、设备及客户端、电子设备 | |
KR102447352B1 (ko) | 교통 신호등 검출 및 지능형 주행을 위한 방법 및 디바이스, 차량, 및 전자 디바이스 | |
WO2019047656A1 (zh) | 用于控制无人驾驶车辆的方法和装置 | |
CN108337505B (zh) | 信息获取方法和装置 | |
US11941529B2 (en) | Method and apparatus for processing mouth image | |
CN109389068A (zh) | 用于识别驾驶行为的方法和装置 | |
CN112966742A (zh) | 模型训练方法、目标检测方法、装置和电子设备 | |
EP3598386A1 (en) | Method and apparatus for processing image | |
CN109684900B (zh) | 用于输出颜色信息的方法和装置 | |
CN110135301B (zh) | 交通牌识别方法、装置、设备和计算机可读介质 | |
CN114549369B (zh) | 数据修复方法、装置、计算机及可读存储介质 | |
CN115546767B (zh) | 数据发送方法、装置、设备和计算机可读介质 | |
CN110633598B (zh) | 用于确定环境图像中的行驶区域的方法和装置 | |
CN107844777B (zh) | 用于生成信息的方法和装置 | |
CN112597793B (zh) | 用于识别交通灯状态和计时器状态的方法、装置和设备 | |
US20220207866A1 (en) | Method, device, and computer readable storage medium for image processing | |
CN115512447A (zh) | 活体检测方法及装置 | |
US10832407B2 (en) | Training a neural network adapter | |
CN110135305B (zh) | 用于疲劳度检测的方法、装置、设备和介质 | |
CN111091581B (zh) | 基于生成对抗网络的行人轨迹模拟方法、装置和存储介质 | |
CN115661238B (zh) | 可行驶区域生成方法、装置、电子设备和计算机可读介质 | |
CN113992391A (zh) | 用于解析报文的方法和装置 | |
CN116010289B (zh) | 自动驾驶仿真场景测试方法、装置、电子设备和可读介质 | |
CN113642587A (zh) | 特征图的处理方法及装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |